Üretim sistemlerinde makine öğrenmesi ile kestirimci bakım uygulaması ve modellemesi
Yükleniyor...
Dosyalar
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İstanbul Ticaret Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
ÖZET Üretim sistemlerinin verimlilikleri söz konusu olduğunda bakım yaklaşımları son derece önemli bir role sahiptir. Geleneksel bakım yaklaşımları kısıtlı bir başarı sağlamış olsa da günümüz endüstriyel teknolojilerinin özellikle de endüstri 4. 0‘ın itici gücü ile birlikte makinelerden belirli standartlar ile veriler gerçek zamanlı okunabilmekte ve bu verilerle makine öğrenmesi (machine learning-MÖ) aracılığı ile bakım zamanları optimize edilebilmektedir. Böylece kestirimci bakım anlayışı ile üretim sürecindeki herhangi bir bakım gerektiren arıza önceden öngörülerek bu durum yaşanmadan önüne geçilebilmektedir. Bu çalışmada bir döküm fabrikasında bulunan polimer döküm makinesinde, makine öğrenmesi ile kestirimci bakım uygulamasını gerçekleştirebilmek amacıyla akım, sıcaklık, titreşim, motor çalışma durumu, motor hızı, basınç gibi veriler 5 ay boyunca toplanmıştır. Elde edilen veriler ile temel bileşen analizi (principal component analysis-TBA) ve rastgele orman (random forest-RO) makine öğrenmesi yöntemleri kullanılarak, sırasıyla denetimsiz ve denetimli olarak bakım zaman tahminleri saat bazında kategorize edilerek %85,17 başarı oranı ile gerçekleştirilmiştir. Anahtar Kelimeler: Endüstri 4. 0, kestirimci bakım, makine öğrenmesi. ABSTRACT Maintenance approaches have an extremely important role when it comes to efficiency in production systems. Although traditional maintenance approaches have had limited success, with the driving force of today's industrial technologies, especially industry 4. 0, all maintenance data generated on production machines can be collected in real time, and maintenance times can be optimized through machine learning. Thus, with the predictive maintenance approach, any maintenance-required breakdown in the production process can be foreseen and prevented before this situation occurs. This study collected data such as current, temperature, vibration, engine working state, engine speed, and pressure for 5 months to apply predictive maintenance with machine learning on a polymer casting machine located in a casting factory. Using principal component analysis and random forest machine learning methods with procured data, first unsupervised then supervised maintenance predictions respectively were obtained with an accuracy rate of %85,17 categorizing hour-basis. Keywords: Industry 4. 0, machine learning , predictive maintenance. İÇİNDEKİLER İÇİNDEKİLER . i ÖZET . iii ABSTRACT . iv TEŞEKKÜR . v ŞEKİLLER DİZİNİ . vi ÇİZELGELER . vii SİMGELER VE KISALTMALAR . viii 1. GİRİŞ. 1 2. LİTERATÜR ÖZETİ . 3 3. ENDÜSTRİYEL DEVRİMLER . 6 4. ENDÜSTRİYEL VERİ TOPLAMA SİSTEMLERİ . 8 4. 1. PLC (Programlanabilir Lojik Kontrolör) . 8 4. 1. 1. PLC programlama dilleri. 9 4. 1. 2. PLC haberleşme yöntemleri . 12 4. 1. 2. 1. Profinet (Process Field Net) . 12 4. 1. 2. 2. Profibus (Process Field Bus) . 12 4. 1. 2. 3. Modbus . 12 4. 1. 2. 4. Modbus Rtu. 13 4. 1. 2. 5. Modbus Tcp/Ip . 14 4. 1. 2. 6. Teleservis haberleşme . 14 4. 2. Endüstriyel Haberleşme Standartları . 14 4. 2. 1. OPC Classic . 16 4. 2. 1. 1. OPC DA (Data Access) . 17 4. 2. 1. 2. OPC A/E (Alarm/Event) . 17 4. 2. 1. 3. OPC HDA (Historical Data Access) . 18 4. 2. 1. 4. OPC Security . 18 4. 2. 1. 5. OPC XML DA . 19 4. 2. 2. OPC UA (Unified Architecture) . 19 5. BAKIM YAKLAŞIMLARI . 22 5. 1. Arızi (Düzeltici) Bakım (Reactive Maintenance) . 23 5. 2. Periyodik Bakım . 24 5. 3. Duruma Dayalı Bakım (CBM) . 25 5. 4. Önleyici Bakım (Proaktif Bakım) . 25 5. 5. Kestirimci Bakım (Predictive Maintenance) . 26 6. KESTİRİMCİ BAKIMDA MAKİNE ÖĞRENMESİ . 28 6. 1. Rastgele Orman (Random Forest). 32 6. 2. Temel Bileşenler Analizi (Principal Component Analysis) . 36 7. MATERYAL VE YÖNTEM . 37 7. 1. Veri Toplama . 37 7. 1. 1. Veri toplama mimarisi . 38 7. 1. 2. Veri toplama sistemi donanım özellikleri . 39 7. 1. 3. Veri toplama sistemi uygulama özellikleri . 40 7. 1. 3. 1. TIA portal . 41 7. 1. 3. 2. OPC UA client veri toplama servisi . 43 7. 1. 3. 3. Operatör duruş bilgileri giriş uygulaması . 44 7. 2. Veri Seti . 45 7. 3. Kalan Faydalı Ömür . 47 7. 4. Makine Öğrenmesi Aşaması . 49 8. ARAŞTIRMA SONUÇLARI VE TARTIŞMA . 52 8. 1. Rastgele Orman İle Tahminleme Sonucu . 52 8. 2. Temel Bileşen Analizi İle Tahminleme Sonucu . 54 9. SONUÇ VE ÖNERİLER . 56 KAYNAKLAR . 58 ÖZGEÇMİŞ . 62
Açıklama
Tez (Yüksek Lisans) -- İstanbul Ticaret Üniversitesi -- Kaynakça var.
Anahtar Kelimeler
Veri madenciliği, Makine ile öğrenme, Data mining, Machine learning